Para la estimación del modelo trabajaremos siempre con la serie estacionaria, es decir el primer paso siempre sera diferenciar en caso de ser necesario, así:

\[\begin{equation} w_t = (1 - L)^d x_t^{\lambda} \end{equation}\]

Y hacemos los siguientes supuestos para la estimación:

\[\begin{align} \varepsilon_t & \sim N(0, \sigma^2 I) \\ w_t & \text{ es estacionario} \\ w_t & \text{ es invertible} \\ \hat{\beta} & = (\phi_1, \phi_2, \dots , \phi_p ; \theta_1, \theta_2, \dots , \theta_q ) \end{align}\]

Podemos adoptar el enfoque de mínimos cuadrados usando:

\[\begin{equation} S = \sum \varepsilon_t^2 \end{equation}\]

y \(\varepsilon_t = w_t - \phi_1 w_{t-1} - \phi_2 w_{t-2} - \dots - \phi_p w_{t-p} + \theta_1 \varepsilon_{t-1} +\theta_2 \varepsilon_{t-2}\) \(+ \dots + \theta_q \varepsilon_{t-q}\)

Si se tiene una muestra \(n\) del proceso \(w_t\), es necesario hacer supuestos sobre el comportamiento de los valores iniciales. Veamos en el caso de \(t=1\) tendríamos

\[\begin{align} \varepsilon_t & = w_t - \phi_1 w_{0} - \phi_2 w_{-1} - \dots - \phi_p w_{-p+1} + \theta_1 \varepsilon_{0} \\ & +\theta_2 \varepsilon_{-1} + \dots + \theta_q \varepsilon_{-q+1} \end{align}\]

Los valores \(w_{0}, w_{-1},\dots,w_{-p+1}\) y \(\varepsilon_{0},\varepsilon_{-1},\dots,\varepsilon_{-q+1}\) son desconocidos

Estos valores constituyen las condiciones iniciales,

\[\begin{align} w^0 & = (w_{0}, w_{-1},\dots,w_{-p+1}) \\ \varepsilon^0 & = (\varepsilon_{0},\varepsilon_{-1},\dots,\varepsilon_{-q+1}) \end{align}\]

Dependiendo de como tratemos estos valores iniciales en muestra minimización nos referiremos al enfoque condicional o no condicional.

Otra consideración que debemos tener en cuenta para nuestra estimación es que cuando \(q\geq 0\) usando el operador de rezagos podemos ver que el modelo se puede escribir como,

\[\begin{equation} \varepsilon_t = \frac{\phi(L)}{\theta(L)} w_t \end{equation}\]

Esto hace que el modelo sea no lineal en los parámetros por lo cual no se pueden lograr soluciones analíticas y se debe recurrir a métodos numéricos.

Estimación condicional

Primero, veremos como estimar un modelo AR(p) sin componentes MA. Sea el modelo AR(p)

\[\begin{equation} w_t = \phi_1 w_{t-1} + \phi_2 w_{t-2} + \dots + \phi_p w_{t-p} + \varepsilon_t \end{equation}\]

Si el proceso es estacionario entonces, \(E[w_t] = E[w_{t-1}]=\dots=E[w_{t-p}]=\mu_w\), que por simplificación asumimos que es cero

Una solución entonces al problema de valores iniciales es suponer que son iguales a su media, es decir,

\[\begin{equation*} w_{0}= w_{-1}=\dots=w_{-p+1}=0 \end{equation*}\]

Sin embargo, esta solución puede ser inadecuada en muchos casos ya que el valor de la serie puede estar alejado del valor teórico de la serie.

Para evitar este problema, otra solución al problema de valores iniciales es dividir la muestra en dos, la primera conocida como pre-muestra se utiliza para la determinación de los valores iniciales y la segunda parte se utiliza ara la estimación, así

\[\begin{align*} w^0 & = (w_{0}, w_{-1},\dots,w_{-p+1}) \\ w & = (w_{1}, w_{2},\dots,w_{T}) \end{align*}\]

Teniendo en cuenta ambas posibilidades podemos escribir el problema de minimización como,

\[\begin{equation} S = \sum_{t=m}^T \varepsilon_t^2 = \sum_{t=m}^T (w_t - \phi_1 w_{t-1} - \phi_2 w_{t-2} - \dots - \phi_p w_{t-p})^2 \end{equation}\]

donde, \(m=1\) si se hace \(w_{0}= w_{-1}=\dots=w_{-p+1}=\mu_w = 0\) y \(m=p+1\) si se toma \(w^0\) como valores iniciales.

La minimización de \(S\) es idéntica al caso de MCO, por lo tanto:

\[\begin{equation} \hat{\beta} = \begin{bmatrix} \hat{\phi}_1 \\ \hat{\phi}_2 \\ \vdots \\ \hat{\phi}_p \end{bmatrix} = (Z'Z)^{-1} Z' W \end{equation}\]

siendo,

\[\begin{align*} W & = \begin{bmatrix} w_m \\ w_{m+1} \\ \vdots\\ w_T \end{bmatrix}, & Z & = \begin{bmatrix} w_{m-1} & w_{m-2} & \dots & w_{m-p} \\ w_{m} & w_{m-1} & \dots & w_{m-p+1} \\ \vdots & \vdots & \ddots & \vdots \\ w_{T-1} & w_{T-2} & \dots & w_{T-p} \\ \end{bmatrix} \end{align*}\]

Ahora para el modelo MA(q), mostraremos la estimación del modelo MA(1) y con esto se mostraran los problemas de estimación de este tipo de modelos. Sea

\[\begin{equation} \varepsilon_t = w_t + \theta_1 \varepsilon_{t-1} \end{equation}\]

En este tipo de modelos el problema de valores iniciales no es tan importante ya que por hipótesis los \(\varepsilon_t\) no están correlacionados, por lo cual asumir \(\varepsilon_0 = 0\) es razonable

Fijado este valor, debemos expresar el modelo en función de la variable observable, \(w_t\), el parámetro \(\theta_1\) y \(\varepsilon_0\), haciendo sustituciones sucesivas obtenemos:

\[\begin{align*} \varepsilon_t & = w_t + \theta_1 \varepsilon_{t-1} \\ & = w_t + \theta_1 w_{t-1} + \theta_1 \varepsilon_{t-2} \\ & \vdots \\ & = w_t + \theta_1 w_{t-1} + \theta_1^2 w_{t-2}+ \dots + \theta_1^{t-1} w_1 + \theta_1^{t} \varepsilon_{0} \end{align*}\]

de donde se puede observar que \(\varepsilon_t\) no es una función lineal de \(\theta_1\)

Por lo tanto necesitamos expresar \(\varepsilon_t\) en función del \(\theta_1\)

\[\begin{equation} \varepsilon_t = f(\theta_1) \end{equation}\]

y aplicar una expansión de Taylor en torno a un valor \(\theta_1^0\), tomando los dos primeros valores de esta expresión, obtenemos:

\[\begin{equation} \varepsilon_t \simeq \varepsilon_t^0 + (\theta_1 - \theta_1^0) \left( \frac{\partial \varepsilon_t}{\partial \theta_1} \right)_{\theta_1 = \theta_0} \end{equation}\]

Podemos encontrar esta ultima derivada en forma analítica o numérica, de forma analítica tenemos,

\[\begin{equation} \frac{\partial \varepsilon_t}{\partial \theta_1} = \theta_1 \frac{\partial \varepsilon_{t-1}}{\partial \theta_1} + \varepsilon_{t-1} \end{equation}\]

Tendríamos entonces que hacer este calculo de forma recursiva, sustituyendo \(\theta_1\) por \(\theta_1^0\) hasta que lleguemos a \(\frac{\partial \varepsilon_0}{\partial \theta_1} = 0\) ya que asumimos que \(\varepsilon_0 =0\).

De forma numérica, aplicamos el concepto de derivada como incrementos finitos, así

\[\begin{equation} \frac{\partial \varepsilon_t}{\partial \theta_1} = \frac{w_t + (\theta_1^0 + h) \varepsilon_{t-1} - (w_t + \theta_1^0 \varepsilon_{t-1}) }{h} \end{equation}\]

donde \(h\) es un numero arbitrariamente pequeño.

Si definimos,

\[\begin{equation} z_t^0 = - \left( \frac{\partial \varepsilon_t}{\partial \theta_1} \right)_{\theta_1 = \theta_0} \end{equation}\]

Y consideramos la aproximación lineal definida previamente

\[\begin{equation} \varepsilon_t^0 = (\theta_1 - \theta_1^0) z_t^0 + \varepsilon_t \end{equation}\]

Calculamos la regresión \(\varepsilon_t^0\) sobre \(z_t^0\) obtendríamos el estimador,

\[\begin{equation} \widehat{(\theta_1 - \theta_1^0)} = \frac{\sum \varepsilon_t^0 z_t^0}{\sum (z_t^0)^2} \end{equation}\]

Con esto obtenemos una aproximación al valor \(\hat{\theta_1}\) óptimo. De ahí en adelante lo que necesitamos es iterar hasta que logremos convergencia.

Esto se logra, haciendo

\[\begin{equation} \theta_1^h = \theta_1^{h-1} + \widehat{(\theta_1 - \theta_1^0)} \end{equation}\]

Y definiendo un criterio de convergencia,

\[\begin{equation} | \theta_1^h - \theta_1^{h-1} | < r \end{equation}\]

Ahora para el proceso ARMA(p,q) \[\begin{align} w_t & = \phi_1 w_{t-1} + \phi_2 w_{t-2} + \dots + \phi_p w_{t-p} + \varepsilon_t \\ & - \theta_1 \varepsilon_{t-1} - \theta_2 \varepsilon_{t-2} - \dots - \theta_q\varepsilon_{t-q} \end{align}\]

podemos generalizar el algoritmo que usamos para el MA.

Tomando el \(\hat{\beta}\) definido anteriormente y usando la aproximación de Taylor, tenemos

\[\begin{equation} \varepsilon_t \simeq \varepsilon_t^0 - \sum_{i=1}^{p+q} (\beta_i - \beta_i^0) Z_{ti}^0 \end{equation}\]

donde

\[\begin{equation} Z_{ti}^0 = \left( \frac{\partial \varepsilon_t}{\partial \beta_i} \right)_{\beta_i = \beta_i^0} \end{equation}\]

Si escribimos,

\[\begin{equation} Z^0 = \begin{bmatrix} Z_{11}^0 & Z_{12}^0 & \dots & Z_{1p+q}^0 \\ Z_{21}^0 & Z_{22}^0 & \dots & Z_{2p+q}^0 \\ \vdots & \vdots & \ddots & \vdots \\ Z_{T1}^0 & Z_{T2}^0 & \dots & Z_{Tp+q}^0 \end{bmatrix} \end{equation}\]

Podemos expresar la ecuación de Taylor como,

\[\begin{equation} \varepsilon^0 = Z^0[\beta - \beta^0] + \varepsilon \end{equation}\]

donde \(\varepsilon^0\) y \(\varepsilon\) son vectores de T elementos

La estimación por mínimos cuadrados sería,

\[\begin{equation} \widehat{\beta - \beta^0} = (Z^{0'}Z^0)^{-1}Z^{0'}\varepsilon^0 \end{equation}\]

y el mecanismo de actualización sería,

\[\begin{equation} \beta^h = \beta^{h-1} + [\widehat{\beta - \beta^{h-1}}] \end{equation}\]

y la convergencia se daría cuando \(|| \beta^h - \beta^{h-1} || < r\)

Finalmente, podemos usar la iteración final (H) para estimar la matriz de varianzas y covarianzas con la finalidad de hacer tests estadísticos,

\[\begin{equation} V = s^2[X^{H'}X^{H}]^{-1} \end{equation}\]

donde

\[\begin{equation} s^2 = \frac{\varepsilon^{H'}\varepsilon^H}{T-p-q} \end{equation}\]

Ahora, miremos la estimación condicional bajo máxima verosimilitud.

bajo el supuesto de \(\varepsilon_t \sim N(0, \sigma^2 I)\) la función de densidad de \(\varepsilon_t\) es,

\[\begin{align} f(\varepsilon_t | \sigma^2_{\varepsilon}, \beta, w^0, \varepsilon^0) & = (2\pi)^{-0.5} (\sigma^2_{\varepsilon})^{-0.5} {\rm e}^{-\frac{1}{2\sigma^2_{\varepsilon}}\varepsilon_t^2} \\ & = (2\pi)^{-0.5} (\sigma^2_{\varepsilon})^{-0.5} {\rm e}^{-\frac{1}{2\sigma^2_{\varepsilon}}(w_t - \dots - \phi_p w_{t-p} + \theta_1 \varepsilon_{t-1} + \dots + \theta_q\varepsilon_{t-q})^2} \nonumber \end{align}\]

La función de densidad conjunta de \(\varepsilon_1,\varepsilon_2,\dots,\varepsilon_T\) sera igual al producto de las funciones de densidad marginales, ya que por hipótesis no tiene auto-correlación, por lo tanto:

\[\begin{align} f(\varepsilon_t | \sigma^2_{\varepsilon}, \beta, w^0, \varepsilon^0) & = (2\pi)^{\frac{-T}{2}} (\sigma^2_{\varepsilon})^{\frac{-T}{2}} {\rm e}^{-\frac{1}{2\sigma^2_{\varepsilon}}\sum \varepsilon_t^2} \\ & = (2\pi)^{\frac{-T}{2}} (\sigma^2_{\varepsilon})^{\frac{-T}{2}} {\rm e}^{-\frac{1}{2\sigma^2_{\varepsilon}}\sum (w_t - \dots - \phi_p w_{t-p} + \theta_1 \varepsilon_{t-1} + \dots + \theta_q\varepsilon_{t-q})^2} \nonumber \end{align}\]

• La maximización de esta función con respecto a \(\beta\) nos da los estimadores máximo verosímiles.
• Se puede observar que maximizar la función anterior corresponde a minimizar la sumatoria del exponencial, lo cual coincide con el estimador de MCO.

Estimación No Condicional

• El enfoque no condicional se caracteriza porque los valores iniciales no se consideran como dados.
• En lugar de minimizar \(\sum \varepsilon_t^2\), en este enfoque debemos minimizar la suma de los cuadrados de las esperanzas condicionales del proceso de innovación dada la muestra \(w_1,w_2,\dots,w_T\)

Asumiendo que el proceso se inicia en un pasado remoto, la expresión a minimizar sería:

\[\begin{equation} S = \sum_{t=-\infty}^T E_c[\varepsilon_t]^2 \end{equation}\]

Dado que tenemos un proceso estacionario, las esperanzas condicionales se hacen pequeñas a medida que se alejan del periodo muestral.

En un proceso MA(q) se verifica que \(E_c(\varepsilon_t)=0\) para \(t < -q+1\)

Ya que solamente \(\varepsilon_{-q+1},\dots,\varepsilon_0,\varepsilon_1,\dots,\varepsilon_T\) son necesarios para la generación de la muestra \(w_1,w_2,\dots,w_T\).

En general, consideramos que si \(t < -Q + 1\), siendo \(Q\) suficientemente grande, entonces \(E_c(\varepsilon_t)=0\)

Así, la suma a minimizar en la practica sería,

\[\begin{equation} S^* = \sum_{t=-Q+1}^T E_c[\varepsilon_t]^2 \end{equation}\]

Veamos como estimar un modelo ARMA(1,1) con la estimación no condicional. Sea el proceso,

\[\begin{equation} w_t - \phi w_{t-1} = \varepsilon_t - \theta \varepsilon_{t-1} \end{equation}\]

En esta expresión los valores de \(w_t\) son determinados por los valores pasados de \(w_t\), \(\varepsilon_t\) y los valores pasados de \(\varepsilon_t\)

En un proceso estacionario e invertible, se podría imaginar una determinación en sentido inverso, es decir

\[\begin{equation} w_t - \phi w_{t+1} = \eta_t - \theta \eta_{t+1} \end{equation}\]

donde \(\eta_t\) es ruido blanco con la misma varianza que \(\varepsilon_t\)

Tomando esperanzas condicionadas en las dos expresiones anteriores obtenemos,

\[\begin{align} E_c[w_t] - \phi E_c[w_{t-1}] & = E_c[\varepsilon_t] - \theta E_c[\varepsilon_{t-1}] \\ E_c[w_t] - \phi E_c[w_{t+1}] & = E_c[\eta_t] - \theta E_c[\eta_{t+1}] \end{align}\]

Y calculamos la esperanza condicional dados los datos de la muestra, es decir \(w_1,w_2,\dots,w_T\)

Con esto se verifica que,

\[\begin{equation} E_c[w_t] = w_t \quad t=1,2,\dots,T \end{equation}\]

También se verifica que,

\[\begin{equation} E_c[\varepsilon_{T+j}] = E[\varepsilon_{T+j}] = 0 \quad j=1,2,\dots \end{equation}\]

También se verifica que,

\[\begin{equation} E_c[\eta_{1-j}] = E[\eta_{1-j}] = 0 \quad j=1,2,\dots \end{equation}\]

Haciendo supuestos sobre los valores finales, como hicimos sobre los valores iniciales en el enfoque condicionado, podemos calcular de forma recursiva \(E_c[\eta_{T}], E_c[\eta_{T-1}],\dots\).

Empezando en \(t=T\)

\[\begin{equation} E_c[w_T] - \phi E_c[w_{T+1}] = E_c[\eta_T] - \theta E_c[\eta_{T+1}] \end{equation}\]

Suponiendo que \(E_c[w_{T+1}] = \mu = 0\) y \(E_c[\eta_{T+1}]=0\), obtenemos

\[\begin{equation} E_c[\eta_T] = E_c[w_T] = w_T \end{equation}\]

Y para \(t= T-1\),

\[\begin{equation} E_c[\eta_{T-1}] = E_c[w_{T-1}] - \phi E_c[w_{T}] + \theta E_c[\eta_{T}] = w_{T-1} - \phi w_{T} + \theta w_T \end{equation}\]

Análogamente calculamos \(E_c[\eta_{T-2}],E_c[\eta_{T-3}],\dots\) hasta,

\[\begin{equation} E_c[\eta_{1}] = w_{1} - \phi w_{2} + \theta E_c[\eta_{2}] \end{equation}\]

Ahora, dado que \(E_c[\eta_{0}]=E_c[\eta_{-1}]=\dots=0\), podemos obtener \(E_c[w_{0}],E_c[w_{-1}],\dots\)

\[\begin{align} E_c[w_0] & = \phi w_{1} + E_c[\eta_0] - \theta E_c[\eta_{1}] = \phi w_{1} - \theta E_c[\eta_{1}] \\ E_c[w_{-1}] & = \phi E_c[w_0] \\ E_c[w_{-2}] & = \phi E_c[w_{-1}] \\ & \vdots \end{align}\]

Así los valores se irían acercando a cero.

• Una vez obtenemos valores suficientemente cercanos a cero, podemos empezar la estimación de los valores \(E_c[\varepsilon_{t}]\).
• Estos van a estar en función de la muestra, y de los valores \(E_c[w_t]\) obtenidos.
• En consecuencia, podemos evaluar \(S^*\) para valores dados de los parámetros.

• El enfoque por MCO se hará dando unos valores iniciales \(\beta^0\).
• Luego la estimación de los parámetros sera análoga a lo visto para la estimación condicional, donde usamos el mecanismo de actualización.
• La diferencia radica en el uso de los \(E_c[\varepsilon_{t}]\) para la estimación no condicional.

Ahora veamos como se realiza la estimación no condicional usando el método de Máxima verosimilitud.

Al igual que en el caso de mínimos cuadrados maximizamos desde el inicio del proceso, la función de densidad sigue siendo \[\begin{align} f(\varepsilon_t | \sigma^2_{\varepsilon}, \beta) & = (2\pi)^{-0.5} (\sigma^2_{\varepsilon})^{-0.5} {\rm e}^{-\frac{1}{2\sigma^2_{\varepsilon}}\varepsilon_t^2} \\ & = (2\pi)^{-0.5} (\sigma^2_{\varepsilon})^{-0.5} {\rm e}^{-\frac{1}{2\sigma^2_{\varepsilon}}(w_t - \dots - \phi_p w_{t-p} + \theta_1 \varepsilon_{t-1} + \dots + \theta_q\varepsilon_{t-q})^2} \nonumber \end{align}\]

La función de densidad conjunta de \(\dots, \varepsilon_{-1}, \varepsilon_0, \varepsilon_1, \varepsilon_2, \dots, \varepsilon_T\) sera igual al producto de las funciones de densidad marginales, ya que por hipótesis no tiene auto-correlación, por lo tanto:

\[\begin{align} f(\varepsilon_t | \sigma^2_{\varepsilon}, \beta) & = (2\pi)^{\frac{-T}{2}} (\sigma^2_{\varepsilon})^{\frac{-T}{2}} {\rm e}^{-\frac{1}{2\sigma^2_{\varepsilon}}\sum \varepsilon_t^2} \\ & = (2\pi)^{\frac{-T}{2}} (\sigma^2_{\varepsilon})^{\frac{-T}{2}} {\rm e}^{-\frac{1}{2\sigma^2_{\varepsilon}}\sum_{t=-\infty}^{T} E_c(w_t - \dots - \phi_p w_{t-p} + \theta_1 \varepsilon_{t-1} + \dots + \theta_q\varepsilon_{t-q})^2} \nonumber \end{align}\]

Y de nuevo bajo el supuesto de estacionariedad sabemos que para un Q suficientemente grande \(E_c(\varepsilon_t)=0\) para \(t<-Q+1\), por lo tanto:

\[\begin{align} f(\varepsilon_t | \sigma^2_{\varepsilon}, \beta) & = (2\pi)^{\frac{-T}{2}} (\sigma^2_{\varepsilon})^{\frac{-T}{2}} {\rm e}^{-\frac{1}{2\sigma^2_{\varepsilon}}\sum_{t=-Q+1}^{T} E_c(w_t - \dots - \phi_p w_{t-p} + \theta_1 \varepsilon_{t-1} + \dots + \theta_q\varepsilon_{t-q})^2} \nonumber \end{align}\]

Lo cual corresponde a minimizar el \(S^*\) definido anteriormente. Por lo cual la estimación es similar a la vista para MC

Verosimilitud exacta

Un caso de consideración especial cuando estimamos usando Máxima verosimilitud es el uso de la verosimilitud exacta.

En esta no ignoramos los primeros valores como en la verosimilitud condicional, sino que calculamos la contribución a la verosimilitud de cada observación.

Para ver esto veamos el caso del AR(2) y con esto podemos generalizar.

Podemos escribir los errores de este modelo como,

\[\begin{equation} \varepsilon_t = w_t - \phi_1 w_{t-1} - \phi_2 w_{t-2} \end{equation}\]

Por lo tanto, las observaciones 3 a T hacen contribuciones a la verosimiltud, \[\begin{equation} f(\varepsilon_t | \sigma^2_{\varepsilon}, \beta) = (2\pi)^{-0.5} (\sigma^2_{\varepsilon})^{-0.5} {\rm e}^{-\frac{1}{2\sigma^2_{\varepsilon}}(w_t - \phi_1 w_{t-1} - \phi_2 w_{t-2})^2} \end{equation}\]

Para la primera observación la única información que tenemos, gracias a los supuestos de normalidad y estacionariedad es que sigue la misma distribución que el resto de la muestra,

\[\begin{equation} w_1 \sim N\left( 0,\sigma_e^2\frac{1 - \phi_2}{(1+\phi_2)[(1-\phi_2)^2-\phi_1^2]} \right) \end{equation}\]

Por construcción, \(\varepsilon_1\) tiene la misma distribución que los \(\varepsilon_t\) para \(t \geq 3\), \(\varepsilon_1 \sim N(0, \sigma_{\varepsilon})\), así

\[\begin{equation} \varepsilon_1 = \left( \frac{(1+\phi_2)[(1-\phi_2)^2-\phi_1^2]}{1 - \phi_2} \right)^{\frac{1}{2}} w_1 \end{equation}\]

Dado que \(\varepsilon_t\) es un proceso de innovación, para \(t > 1\) \(\varepsilon_t\) es independiente de \(w_1\) y por consiguiente de \(\varepsilon_1\)

Así, la contribución de esta observación será la densidad de \(\varepsilon_1\), más un termino Jacobiano que es la derivada de \(\varepsilon_1\) con respecto a \(w_1\),

\[\begin{align*} f(\varepsilon_1 | \sigma^2_{\varepsilon}, \beta) = & (2\pi)^{-0.5} (\sigma^2_{\varepsilon})^{-0.5} \left( \frac{(1+\phi_2)[(1-\phi_2)^2-\phi_1^2]}{1 - \phi_2} \right)^{\frac{1}{2}} \\ & {\rm e}^{-\frac{(1+\phi_2)[(1-\phi_2)^2-\phi_1^2}{2\sigma^2_{\varepsilon} (1 - \phi_2) }w_1^2} \end{align*}\]

Encontrar una expresión para \(\varepsilon_2\) es un poco más complejo.

Lo que buscamos es una combinación lineal de \(w_1\) y \(w_2\) tal que tenga varianza igual a \(\sigma_{\varepsilon}\) y sea independiente de \(w_1\).

Por construcción, esta combinación lineal será independiente de \(\varepsilon_t\) para \(t>2\).

Un poco de álgebra muestra que la combinación apropiada para esto es,

\[\begin{equation*} \sigma_{\varepsilon}\left( \frac{\gamma_0}{\gamma_0^2-\gamma_1^2} \right)^{0.5}\left( w_2 - \frac{\gamma_1}{\gamma_0}w_1 \right) \end{equation*}\]

Remplazando por \(\gamma_0\) y \(\gamma_1\) para el AR(2) obtenemos, \[\begin{equation} \varepsilon_2 = (1-\phi_2^2)^{0.5}\left( w_2 - \frac{\phi_1}{1-\phi_2}w_1 \right) \end{equation}\]

La derivada de \(\varepsilon_2\) con respecto a \(w_2\) es \((1-\phi_2^2)^{0.5}\), así la contribución a la verosimilitud de la segunda observación es,

\[\begin{align*} f(\varepsilon_2 | \sigma^2_{\varepsilon}, \beta) = & (2\pi)^{-0.5} (\sigma^2_{\varepsilon})^{-0.5} \left( 1-\phi_2^2 \right)^{\frac{1}{2}} \\ & {\rm e}^{-\frac{1-\phi_2^2}{2\sigma^2_{\varepsilon}} \left( w_2 - \frac{\phi_1}{1-\phi_2}w_1 \right)^2} \end{align*}\]